人脸识别模型训练方法、装置、电子设备及存储介质制造方法及图纸

技术编号:40949772 阅读:11 留言:0更新日期:2024-04-18 20:24
本申请公开了一种人脸识别模型训练方法、装置、电子设备及存储介质,属于人工智能技术领域。方法包括:将不同标签对应的样本选择权重初始化为相同值;基于样本选择权重选择人脸样本对第一模型进行训练,将基于第一损失函数值生成的第一信息素加入至随机标签对应的样本选择权重中,再将不同标签对应的样本选择权重进行衰减更新,并通过反向传播更新第一模型;在第一模型未收敛的情况下,基于衰减更新后的样本选择权重对更新后的第一模型进行训练,直至第一模型收敛,记录第一模型收敛时不同标签对应的目标样本选择权重;基于目标样本选择权重对第二模型进行训练,直至模型收敛,得到人脸识别模型。本申请实施例能够提高模型的训练效率。

【技术实现步骤摘要】

本申请属于人工智能,尤其涉及一种人脸识别模型训练方法、装置、电子设备及存储介质


技术介绍

1、基于深度学习的人脸识别技术是一种利用深度学习理论进行模型训练并使用模型进行人脸特征提取的技术,由于深度神经网络强大的表征能力和近乎无限的知识容量扩展能力,使其在人脸识别领域的准确率大幅超越传统机器学习。

2、目前基于深度学习的人脸识别技术通常利用现有的人脸数据库,从中挑选人脸图像作为训练样本,设计并训练一个深度卷积神经网络模型,用于提取人脸特征,完成人脸识别的任务。

3、然而,当进行人脸识别模型的训练时,通常是随机选择样本,即所有样本选择权重一样,但实际训练过程中,不是所有样本对模型收敛的贡献度都一致,如果多次随机到对模型收敛的贡献度较低的样本,则会导致单次训练收敛的速度变慢,使得模型的训练效率较低。


技术实现思路

1、本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种人脸识别模型训练方法、装置、电子设备及存储介质,以降低模型单次训练收敛的速度,提高模型的训练效率。

本文档来自技高网...

【技术保护点】

1.一种人脸识别模型训练方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述第一信息素根据所述第一损失函数值乘以预设系数生成。

3.根据权利要求1所述的方法,其特征在于,所述将基于所述第一损失函数值生成的第一信息素加入至随机标签对应的样本选择权重中,再将不同标签对应的样本选择权重进行衰减更新,包括:

4.根据权利要求1所述的方法,其特征在于,所述基于所述目标样本选择权重对第二模型进行训练,直至模型收敛,得到人脸识别模型,包括:

5.根据权利要求4所述的方法,其特征在于,所述根据目标样本选择权重选择人脸样本对所述第二模型进...

【技术特征摘要】

1.一种人脸识别模型训练方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述第一信息素根据所述第一损失函数值乘以预设系数生成。

3.根据权利要求1所述的方法,其特征在于,所述将基于所述第一损失函数值生成的第一信息素加入至随机标签对应的样本选择权重中,再将不同标签对应的样本选择权重进行衰减更新,包括:

4.根据权利要求1所述的方法,其特征在于,所述基于所述目标样本选择权重对第二模型进行训练,直至模型收敛,得到人脸识别模型,包括:

5.根据权利要求4所述的方法,其特征在于,所述根据目标样本选择权重选择人脸样本对所述第二模型进行训练,基于蚁群算法搜索所述...

【专利技术属性】
技术研发人员:杜文凯黄宇恒田丰文莉徐天适
申请(专利权)人:广电运通集团股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1